CN105528636B - 一种基于模糊推理的磨机负荷参数软测量方法 - Google Patents
一种基于模糊推理的磨机负荷参数软测量方法 Download PDFInfo
- Publication number
- CN105528636B CN105528636B CN201510886085.2A CN201510886085A CN105528636B CN 105528636 B CN105528636 B CN 105528636B CN 201510886085 A CN201510886085 A CN 201510886085A CN 105528636 B CN105528636 B CN 105528636B
- Authority
- CN
- China
- Prior art keywords
- fuzzy reasoning
- submodel
- mill load
- load parameter
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000000227 grinding Methods 0.000 claims description 66
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010238 partial least squares regression Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 abstract description 20
- 238000000605 extraction Methods 0.000 abstract description 19
- 238000004422 calculation algorithm Methods 0.000 abstract description 16
- 238000004088 simulation Methods 0.000 abstract description 16
- 210000004556 brain Anatomy 0.000 abstract description 8
- 238000012795 verification Methods 0.000 abstract description 6
- 230000019771 cognition Effects 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 abstract description 4
- 238000007499 fusion processing Methods 0.000 abstract description 3
- 239000011805 ball Substances 0.000 description 40
- 230000008569 process Effects 0.000 description 19
- 229910000831 Steel Inorganic materials 0.000 description 17
- 239000010959 steel Substances 0.000 description 17
- 230000003044 adaptive effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000014347 soups Nutrition 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 244000207740 Lemna minor Species 0.000 description 1
- 235000006439 Lemna minor Nutrition 0.000 description 1
- 241000233805 Phoenix Species 0.000 description 1
- 235000001855 Portulaca oleracea Nutrition 0.000 description 1
- 241000425037 Toona sinensis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000027697 autoimmune lymphoproliferative syndrome due to CTLA4 haploinsuffiency Diseases 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000010358 mechanical oscillation Effects 0.000 description 1
- 101150060102 metA gene Proteins 0.000 description 1
- 101150086633 metAA gene Proteins 0.000 description 1
- 101150091110 metAS gene Proteins 0.000 description 1
- 101150043924 metXA gene Proteins 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Abstract
本发明基于模拟领域专家“听音识别”磨机负荷参数的思路，提出了基于模糊推理的磨机负荷参数选择性集成软测量方法。分别采用多组分信号分解算法模拟人耳带通滤波能力实现筒体振动信号的多尺度自适应分解，采用潜变量特征提取的方法模拟人脑对频谱特征的提取能力，采用模糊推理集成模型模拟专家的逻辑规则推理能力，从而完成对领域专家的逐层认知、不确定性推理以及选择性信息融合过程的模拟，并通过实验验证了所提方法的可行性和有效性。本发明可以提高磨机负荷参数软测量的精确性。
Description
技术领域
本发明涉及软测量领域，具体涉及一种基于模糊推理的磨机负荷参数软测量方法。
背景技术
磨矿过程是选矿生产过程的“瓶颈”作业，其作用是将破碎后的原矿通过大型旋转机械设备(球磨机)研磨成粒度合格的矿浆，为后续选矿过程提供原料。球磨机的运转率和效率常常决定了磨矿过程甚至选矿全流程的生产效率和指标(参见文献1：陈剑锋，肖飞凤.球磨机的发展方向综述[J],中国矿业，2006,15(8):94-98.)。准确检测磨机负荷是实现磨矿过程优化控制和节能降耗的关键。工业界通常采用磨机研磨过程中产生的机械振动/振声及磨机电流等多源信号对磨机负荷进行间接测量(参见文献2：汤健,赵立杰,岳恒,柴天佑.磨机负荷检测方法研究综述[J].控制工程,2010,17(5):565-570.以及文献3：TangJian,Chai Tian-you,Yu Wen,Zhao Li-jie.Modeling Load Parameters of Ball Millin Grinding Process Based on Selective Ensemble Multisensor Information[J].IEEE Tranzaction on Automation Science and Engineering,2013,10(3):726-740.)，并且在采用干式球磨机的水泥、火电等行业中成功应用。
优秀领域专家能够借助工业现场多源信息和多年积累的经验知识，凭借“人脑模型”有效地判别所熟悉的特定磨机的负荷及其内部参数状态，进而调整操作变量保证生产。面向干式球磨机，司刚全等人申请了融合筒体振动和振声信号的负荷检测方法和装置(参见文献4：司刚全,曹晖,张彦斌,贾立新.基于多传感器融合的筒式钢球磨机负荷检测方法及装置[P],中国,2007.)，并提出了基于神经模糊推理系统的软测量方法(参见文献5：司刚全,曹晖,张彦斌,马西奎.基于ANFIS的火电厂磨机负荷检测的软测量模型[C].中国仪器仪表与测控技术交流大会论文集(二),成都，2007.)。针对云模型的不确定性推理能够模拟人类思维进行不确定性语言概念转换的特点，文献6(阎高伟,龚杏雄,李国勇.基于振动信号和云推理的球磨机负荷软测量[J].控制与决策,2014,29(6):1109-1115.)提出了基于云模型利用磨机轴承振动对干式球磨机料位进行概念表示和推理测量的方法，并在小型实验球磨机上进行验证实验。
针对磨矿过程的湿式球磨机，研究多基于实验球磨机(参见文献7：Tang Jian,Zhao li-jie,Zhou jun-wu,Yue Heng,Chai tian-you.Experimental Analysis of WetMill Load Based on Vibration Signals of Laboratory-scale Ball Mill Shell[J].Minerals Engineering,2010,23(9):720-730.)。理论分析表明，磨机筒体内部钢球负荷的数量数以万计、分层排列，包裹着矿浆以不同强度和频率下落的钢球对矿石和筒体进行周期性冲击。由此产生的筒体振动和振声信号具有较强的非线性、非平稳性和多时间尺度特性(参见文献8：汤健,柴天佑,丛秋梅,苑明哲,赵立杰,刘卓,余文.基于EMD和选择性集成学习算法的磨机负荷参数软测量[J].自动化学报,2014,40(9):1853-1866.)。工业现场最常用的信号是磨机研磨区域经筒体辐射产生的振声信号。经验丰富的领域专家可“听音识别”磨机负荷及其参数。研究表明，人耳本质上是一组自适应带通滤波器。从某种角度上讲，专家“听音识别”过程可以理解为人耳带通滤波能力、人脑特征抽取能力和专家经验规则推理的逐层认知过程。显然这是个基于人类专家经验进行不确定性推理的选择性信息的融合过程。如何基于现有技术对领域专家的识别过程进行模拟是本文的主要关注点。
采用信号处理、机器学习等多个学科领域的研究成果是开展磨机负荷检测研究的有效手段。经验模态分解(EMD)技术可以有效的将筒体振动信号分解为系列具有不同带宽的多尺度信号(参见文献9：Tang Jian,Zhao li-jie,et,al.Vibration Analysis Basedon Empirical Mode Decomposition and Partial Least Squares[J].ProcediaEngineering,2011,16:646-652.)，可用于模拟人耳的“带通滤波”能力。偏最小二乘算法(PLS)可以提取同时表征输入输出数据变化的潜在变量，将难以进行规则提取的多尺度频谱进行有效维数约简，从而模拟人脑的“特征抽取”能力。而对“人脑判别”能力的模拟则可以通过模糊推理系统予以实现。
优秀领域专家“听音识别”利用的是经磨机研磨区域筒体振动辐射产生的振声信号。该信号源于筒体，并且夹杂着周围其它机械设备的背景噪声。显然，灵敏度和可靠性低于磨机筒体振动信号。但筒体振动信号难以依据专家经验提取推理规则。文献10(Wang LX,Mendel JM.Generating Fuzzy Rules by Learning from Examples[J].IEEETransactions on Systems,Man,and Cybernetics,1992,22(6):1414-1427.)提出了从数据中挖掘模糊规则的高效率算法。模糊规则的可解释性和透明性也增加了推理模型的可理解性。针对规则挖掘时，输入输出数据难以在时间序列上匹配的问题，文献11(Yu Wen,Lixiao-ou.On-line Fuzzy Modeling Via Clustering and Support Vector Machines[J].Information Sciences,2008,178(22):4264-4279.)提出了基于同步聚类的语言规则式模糊推理模型。文献12(Wang Yongfu,Wang Dianhui,Chai Tianyou.Extraction andAdaptation of Fuzzy Rules for Friction Modeling and Control Compensation[J].IEEE Tranzaction on Fuzzy System,2011,19(4):682-694.)提出了基于数据挖掘和系统理论的模糊规则提取和自适应策略用于摩擦模型的建模。
由此，亟需一种更加准确的磨机负荷参数软测量方法。
发明内容
有鉴于此，本发明提供一种基于模糊推理的磨机负荷参数软测量方法，以更加精确地进行磨机负荷参数的软测量。
所述方法包括：
S100、在预定的磨机负荷下运行磨机，获取表征磨机振动和/或振声的样本特征信号；
S200、将所述样本特征信号分解为具有不同时间尺度的样本子信号，每个样本子信号代表具有物理含义的单一振动模态；
S300、对所述样本子信号进行降维以获得预定数量的相互独立的潜在特征变量；
S400、通过模糊推理建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型；
S500、对于J-2种可能的集成模型中的子模型数量Jsel，通过求解如下优化问题，从所有的模糊推理子模型中选取Jsel个作为集成子模型并求取集成子模型对应的权重，以获得J-2个候选软测量模型：
其中，θth为设定阈值，k为样本个数，yl为磨机负荷参数第l个样本的真值，为对应的集成模型对第l个样本的软测量值，为基于第jsel个集成子模型对第l个样本预测值，是第jsel个集成子模型的权重，J为模糊推理子模型的数量；
S600、将所述J-2个候选软测量模型中预测误差最小的作为磨机负荷参数软测量模型；
S700、获取需要进行软测量的磨机的测试数据的潜在特征变量；
S800、根据所述磨机负荷参数软测量模型计算所述测试数据的潜在特征变量对应的负荷参数。
优选地，所述步骤S200包括：
通过经验模态分解(EMD)、集合经验模态分解(EEMD)、希尔伯特振动分解(HVD)、局部均值分解(LMD)中的一种或几种多组分信号分解方法将所述样本特征信号分解为具有不同时间尺度的样本子信号。
优选地，所述步骤300包括：
通过采用偏最小二乘回归(PLS)、核偏最小二乘回归(KPLS)、主成分分析(PCA)、核主成分分析(KPCA)、独立主成分分析(ICA)、核独立主成分分析(KICA)、流行学习中的一种或几种降维方法的组合对所述样本子信号进行降维。
优选地，所述步骤S400包括：
采用语言式Mamdani模糊模型建模方法或T-S模糊模型建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型。
优选地，所述步骤S500中从所有的模糊推理子模型中选取Jsel个作为集成子模型并求取集成子模型对应的权重包括：
在所有的模糊推理子模型中遍历所有的选取Jsel个模糊推理子模型作为集成子模型的候选方式，针对每一种组合方式求取对应的权重参数；
将所有的候选方式中，预测误差最小的选取方案和对应的权重参数作为集成子模型及集成子模型对应的权重。
优选地，基于如下公式计算所述权重wjsel：
其中，为模糊推理子模型输出值的标准差。
优选地，所述表征磨机振动和/或振声的样本特征信号包括筒体振动信号、轴承振动信号、磨机研磨区域振声信号中的至少一种。
优选地，所述磨机为球磨机，所述负荷参数包括料球比、矿浆浓度和充填率中的一项或多项。
本发明基于模拟领域专家“听音识别”磨机负荷参数的思路，提出了基于模糊推理的磨机负荷参数选择性集成软测量方法。分别采用多组分信号分解算法模拟人耳带通滤波能力实现筒体振动信号的多尺度自适应分解，采用潜变量特征提取的方法模拟人脑对频谱特征的提取能力，采用模糊推理集成模型模拟专家的逻辑规则推理能力，从而完成对领域专家的逐层认知、不确定性推理以及选择性信息融合过程的模拟，并通过实验验证了所提方法的可行性和有效性。本发明可以提高磨机负荷参数软测量的精确性。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明的磨机系统以及配套的软测量系统的硬件结构示意图；
图2是本发明实施例的基于模糊推理的磨机负荷参数软测量方法的流程图；
图3是本发明实施例中步骤S300提取的部分潜在特征变量和对应的模糊隶属度函数的曲线图；
图4是本发明实施例中基于同步聚类的一个潜在特征变量和谱特征的数据分组情况图；
图5是本发明实施例中料球比(MBVR)、矿浆浓度(PD)和充填率(CVR)的测试样本预测曲线。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
图1是本发明的磨机系统以及配套的软测量系统的硬件结构示意图。如图1所示，两段式磨矿回路(GC)广泛的应用于选矿过程，在磨矿回路的第一端，通常包括顺序连接的料仓1、给矿机2、湿式预选机3、磨机4和泵池5。水力旋流器6连接在泵池5和湿式预选机3之间，使得较粗粒度的部分作为底流被返回磨机再磨。新给矿、新给水以及周期性的添加钢球，与水力旋流器的底流一起进入磨机4(通常为球磨机)。矿石在磨机4内被钢球冲击和磨剥为较细的颗粒，与磨机4内水混合得到的矿浆连续的流出磨机，进入泵池5。通过向泵池5内注入新水对矿浆进行稀释，并将这稀释的矿浆以一定的压力注入水力旋流器6，进而这些泵入水力旋流器的矿浆被分离为两部分：包含较粗粒度的部分作为底流进入磨机再磨；其余部分则进入二段磨矿(GC II)。
同时，为了进行负荷参数的软测量，振动信号获取装置7和振声信号获取装置8分别与磨机4结合设置以获取振动信号和振声信号，数据处理装置9根据检测获得的振动信号和振声信号进行数据处理软测量获取负荷参数。在本说明书的以下描述中，以筒体振动信号为例来对本发明的技术方案进行说明。但是，本领域技术人员容易理解，也可以筒体振动信号、轴承振动信号、磨机研磨区域振声信号中的至少一种。只要获取的样本信号和测试信号可以用于表征磨机振动和/或振声即可。
球磨机筒体振动系统可被看做是受到外界的持续扰动并对外界的扰动无反馈作用的一类机械系统。磨机负荷的检测与识别问题可以归为一类特殊的动载荷识别问题，但识别的不是冲击力，而是与此冲击力直接相关的磨机负荷参数及钢球、物料和水负荷(参见文献13：汤健.磨矿过程磨机负荷软测量方法研究[D],东北大学,中国,2012.)。
工业实际中，磨机筒体内的物料、钢球和水负荷连续运动且相对比较稳定(尤其是安装有自动加球机的磨矿过程)，故磨机负荷可看作是磨机筒体结构的一部分(参见文献14：刘树英,韩清凯,闻邦椿.具有筒型结构的回转机械的应力特性分析[J].东北大学学报(自然科学版),2001,22(2):207-210.)。因此，加入磨机负荷后的球磨机筒体振动系统是由磨机筒体及其内部的物料、钢球和水负荷组成的一个受交变应力载荷作用的新机械结构体。该新机械结构体的物理参数(质量、刚度及阻尼等)中包含磨机负荷信息。磨机负荷不同时，该结构体的各种物理参数也同时发生变化。因此，磨机负荷的识别问题就包含了机械振动中的系统识别和动载荷识别两个方面的问题。常规的动载荷识别方法很难用于识别磨机负荷。
磨机筒体可近似看作板壳结构体，任意点Bshell处可检测的振动信号(即筒体径向振动加速度信号)可由下式表示(参见文献13：汤健.磨矿过程磨机负荷软测量方法研究[D],东北大学,中国,2012.)：
xV＝Θa[Mwet(Bshell),Cwet(Bshell),Kwet(Bshell),Fbmw] (1)
Mwet(Bshell)＝Lb+Lm+Lw (2)
Cwet(Bshell)＝F1(Lb,Lm,Lw) (3)
Kwet(Bshell)＝F2(Lb,Lm,Lw) (4)
其中，xV表示筒体振动信号；Θa表示未知非线性函数；Fbmw表示磨机筒体上点Bshell在磨机旋转一周过程中不同时刻受到的冲击力；Mwet(Bshell)、Cwet(Bshell)和Kwet(Bshell)分别表示磨机筒体上点Bshell处的质量、阻尼和刚度特性；Lb、Lm和Lw分别表示钢球、物料和水负荷。
磨机内的钢球数以万计且分层排列，不同层的钢球的运动轨迹不同。理论分析表明，不同层钢球落回点的轨迹是通过磨机筒体中心的螺旋线。因此，各层钢球的循环周期不同，钢球落回点的区域有限，内层钢球只能通过钢球之间的碰撞间接冲击筒体。文献15(周敬宣,曹晞,何锃,李艳萍.球磨机筒内降噪技术中的力学性能分析[J].华中理工大学学报,1998,26(12):59-61.)对DTM350/700型球磨机的力学性能分析表明，磨机内部各层钢球数、落点径向冲击速度、抛球间隔也各不相同的。此外，磨机筒体质量不平衡、安装偏心等原因也会造成筒体振动。这些振动相互耦合、叠加后形成通常采集得到的筒体振动信号，可表示为：
其中，表示筒体振动信号的第jV个组成成分，JV表示筒体振动信号组成成分个数。
现有技术中，工业现场经常使用的磨机振声信号是由振动辐射噪声即筒体结构噪声、磨机内部混合声场传输至磨机外部的空气噪声、与磨机负荷无关的环境噪声等部分组成，其同样具有类似筒体振动信号的多组分特性。优秀领域专家可以凭借自身经验“听音识别”所熟悉的特定磨机的负荷及其内部参数状态。但是，专家仅能对振声信号进行辨识，而空气噪声和环境噪声会对此构成较大的干扰。而振动信号并不能为专家辨识。
图2是本发明实施例的基于模糊推理的磨机负荷参数软测量方法的流程图。如图2所示，所述方法包括：
S100、在预定的磨机负荷下运行磨机，获取表征磨机振动和/或振声的样本特征信号。
S200、将所述样本特征信号分解为具有不同时间尺度的样本子信号，每个样本子信号代表具有物理含义的单一振动模态。
S300、对所述样本子信号进行降维以获得预定数量的相互独立的潜在特征变量。
S400、通过模糊推理建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型。
S500、对于J-2种可能的集成模型中的子模型数量Jsel，通过求解如下优化问题，从所有的模糊推理子模型中Jsel个作为集成子模型并求取集成子模型对应的权重，以获得J-2个候选软测量模型：
其中θth为设定阈值，k为样本个数，yl为磨机负荷参数第l个样本的真值，为对应的集成模型对第l个样本的软测量值，为基于第jsel个集成子模型对第l个样本预测值，是第jsel个集成子模型的权重，J为模糊推理子模型的数量。
S600、对所述J-2个候选软测量模型中预测误差最小的作为磨机负荷参数软测量模型。
S700、获取需要进行软测量的磨机的测试数据的潜在特征变量。
S800、根据磨机负荷参数软测量模型计算所述测试数据的谱特征对应的负荷参数。
对于步骤S200，自适应分解：
所述自适应分解可以通过经验模态分解(EMD)、集合经验模态分解(EEMD)、希尔伯特振动分解(HVD)、局部均值分解(LMD)中的一种或几种多组分信号分解方法将所述样本特征信号分解为具有不同时间尺度的样本子信号。
在一个优选实施方式中，采用EMD来分解所述样本特征信号(振动信号)。
满足特定假设条件的非线性、非稳态信号可以采用EMD算法自适应分解为具有不同时间尺度的内禀模态函数(IMFs，也即所述子信号)。每个IMF均需满足的条件是：极值点和过零点的个数必须相等或最多相差1个，任何点上的局部最大包络和局部最小包络的均值是0。面对具体对象，理论上，每个IMF均有其特定物理含义。因此，EMD算法在处理多组分磨机筒体振动信号上较传统FFT和小波变换具有明显优势。
将筒体振动时域信号记为xV。首先连接旋转若干周筒体振动信号最大点和最小点获得上下包络线，并计算上下包络线均值mV1。采用下式获得第1成分hV1：
hV1＝xV(t)-mV1 (6)
若hV1满足IMF准则，则hV1是xV(t)的第1个成分；若不满足则将hV1作为原始信号，计算hV1上下包络的均值mV11，采用下式获得新的第1成分hV11：
hV11＝hV1-mV11 (7)
重复上述过程kV次：
将直满足IMF准则的作为第1个IMF：
从原始信号xV(t)中剥离
判断残差信号rV1是否满足分解终止条件：若不满足，令xV＝rV1，并重新开始；若满足，则分解结束。
分解得到的各IMF信号与原始筒体振动信号的关系可用如下公式表示：
其中，表示筒体振动信号分解后的残差，JV为分解获得的子信号的数量。
采用EMD算法分解得到的筒体振动多尺度时域信号蕴含的磨机负荷参数信息仍然难以提取。从原理上讲，每个多尺度子信号均为平稳、线性信号，适合于采用FFT进行分析，该时频域转换过程可简化地表示为：
虽然不同IMF信号具有不同的带宽，但在分辨率为1Hz时，高频段频谱的数量仍然高达数千维。
对于步骤S300，潜在特征提取：
潜在特征变量的提取实际上是一个对信号进行降维操作的过程。步骤S300可以通过采用偏最小二乘回归(PLS)、核偏最小二乘回归(KPLS)、主成分分析(PCA)、核主成分分析(KPCA)、独立主成分分析(ICA)、核独立主成分分析(KICA)、流行学习或其他维数约简算法中的一种或几种降维方法的组合对所述样本子信号进行降维。
在一个优选实施方式中，可以采用PLS算法将高维筒体振动多尺度频谱约简为由少数几个互相独立的潜在特征变量。依据磨机在无任何负荷空转时的筒体振动信号的分解结果和先验知识选择J个IMF用于特征提取，显然J≤JV。为了表述方便，将由k个样本的组成的训练数据记为即和j＝1,...,J。
训练输入输出数据和Y被分解为：
Y＝TBQT+Fh (14)
其中T＝[t1,t2,...,th],P＝[p1,p2,...,ph],Q＝[q1,q2,...,qh],B＝diag{b1,b2,...,bh}。潜在特征变量就是得分向量T，此处可以改记为：
Zj＝[zj1,zj2,…,zjh] (15)
其中，h是潜在得分向量的数量。
基于测试数据提取的特征可表示为：
其中，P＝[p1,p2,…,ph]和W＝[w1,w2,…,wh]是基于和Y的负荷和系数矩阵。
对于步骤S400，模糊子模型建模：
在本步骤，可以采用语言式Mamdani模糊模型建模方法或T-S模糊模型建模方法或其他模糊建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型。
优选地，在一个优选实施方式中，可以采用语言式Mamdani模糊模型建模方法进行模糊推理子模型建模。
在本步骤，模糊规则可以表示如下：
规则g:如果zj1为Ag以及…以及
zjh为Cg
则yj为Dg (17)
其中，g＝1,…,G，G为规则的数目。将Ag、…、Cg、Dg的隶属度函数分别取高斯型，并记为
采用重心法解模糊后，系统的输出为：
其中，wg为对应的数值。
在本发明中，隶属函数和模糊规则数G采用常用的同步聚类方法确定，优选地，可以采用文献11所述的方法通过聚类以及支持向量机来确定。这可以保证模糊规则结论部分与前提条件在实际意义上对应。产生新规则的阈值L对聚类结果即模糊规则数量有直接的影响，依据经验选择，为预定值。隶属度函数的宽度γ按下式方法确定：
其中，q＝A,…,D，σmax＝L/2，L为产生新规则的阈值。
对于步骤S500-S600，模糊推理子模型选择与合并：
在这两个步骤，首先，对于每一种(也即，J-2种)可能的集成模型中的子模型数量Jsel，从所有的模糊推理子模型中Jsel个作为集成子模型并求取集成子模型对应的权重，以获得J-2个候选软测量模型，然后，再通过样本来比较预测误差，从J-2个候选软测量模型选取最终的磨机负荷参数软测量模型。
所述验证用的样本数据可以是训练样本的一部分，也可以是通过将样本数据划分获得。
具体地，集成建模的目标就是通过有效地合并多个子分类器(子模型)从而提高分类器(软测量模型)的性能，如更好的泛化性、更快的效率和更清晰的结构。本发明中，用于建立磨机负荷参数集成模型的振声、筒体振动及磨机电流信号是并行的多传感器信号。因此，本实施例采用并联的集成模型结构。下面分别对子模型建模算法、子模型集成方法、选择性集成的优化描述及求解进行叙述。
自适应加权融合(AWF)算法主要用于多传感器信息的融合，其主要思想是在总均方差最小的条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的目标观测值最优。本实施例采用AWF算法计算被选子模型的加权系数，其计算公式如下：
其中，为模糊推理子模型输出值的标准差jsel＝1,2,…,Jsel，Jsel是选择的集成子模型的个数。
选择性集成模型对ith个磨机负荷参数的输出值由下式计算：
为模糊推理子模型输出值的标准差。
由此，可以获得以振动信号的潜在特征变量为输入，以磨机负荷参数预测值为输出的软测量模型。
在步骤S700-S800，可以对要进行软测量的磨机进行检测获取振动信号，并进而对振动信号进行处理获得其潜在特征变量，并基于磨机负荷参数软测量模型输出磨机负荷参数的预测值。
综上，在本实施例中，提出了一种模拟“人脑识别”过程的具有多层结构的基于模糊推理的磨机负荷参数选择性集成模型软测量方法。首先通过经验模态分解(EMD)技术将非平稳多组分筒体振动信号分解为频率由高到底排列的不同时间尺度的子信号并转换为频谱，其次采用偏最小二乘(PLS)算法对多尺度信号频谱进行潜在特征提取，然后基于提取的潜在特征变量建立基于每个多尺度频谱的模糊推理子模型，最后通过分支定界(BB)和自适应加权融合(AWF)的选择性集成优选回归子模型及其权系数，获得基于选择性集成模糊推理模型的磨机负荷参数软测量模型。
基于上述实施例中的方法，可以进行实验验证在实验验证中，筒体振动信号采用固定在筒体表面的加速度传感器直接采集，其中球、物料和水负荷分别为40kg、30kg和10kg。表明不同研磨条件下的筒体振动信号可以分解为具有不同时间尺度的IMFs，并且按频率由高到底的依次排列，其中第13th IMF是一个高振幅的2周期正弦信号。可见，磨机旋转引起的振动是实验球磨机筒体振动的主要来源之一。
采用PLS算法提取的多尺度频谱特征。为料球比(MBVR)提取的潜在特征的方差变化率如表1所示。
表1料球比(MBVR)提取的潜在特征方差变化率
由表1可知，不同IMF蕴含的MBVR信息不同，虽然前3个潜在特征包含了IMF频谱的97％以上的变化，但与料球比的相关程度并不相同：以IMF9和IMF10为最高，接近90％；其次是IMF4，IMF5和IMF2，在70％以上。表明对筒体振动进行多尺度分解对提取特征和理解筒体组成成分是有效的。
表2磨矿浓度(PD)提取的潜在特征方差变化率
由表2可知，不同IMF蕴含的PD信息不同，前3个IMF频谱的97％以上的变化，前3个IMF中包含了80％以上PD的变化，表明PD主要与高频段相关。
表3充填率(CVR)提取的潜在特征方差变化率
由表3可知，不同IMF蕴含的CVR信息不同，前3个IMF频谱的93％以上的变化，但只有IMF4和IMF6中包含了80％以上CVR的变化，但均未超过85％。
图3是本发明实施例中步骤S300提取的部分潜在特征变量和对应的模糊隶属度函数的曲线图。图4是本发明实施例中基于同步聚类的一个潜在特征变量和谱特征的数据分组情况图。
采用过多潜在特征个数会引起模糊规则组合的爆炸式增长。结合表1结果，在验证实验中，将潜在变量个数设定为3个。为保证模糊子模型间的差异性，此处对全部10个基于IMF频谱的模型子模型采用相同的参数，同时也简化了参数选择过程。通过实验选择阈值L＝0.15，采用同步聚类方法获取模糊规则数和高斯型隶属函数的中心。
针对MBVR软测量模型，图3给出了IMF1的前3个潜在变量构建的的模糊隶属度函数，图4给出训练数据分组和规则提取结果。
图3和图4表明：
(1)训练数据可以分为5组，相应提取的规则数量为5。这与实验分为4种情况相对应，表明同步聚类方法可有效区分数据工况。
(2)不同的潜在变量具有不同隶属度函数，并且同一潜在变量的不同组的隶属度函数也存在差异性，表明特征提取的必要性和数据分组的合理性。
(3)更多工况和更多样本实验可以进一步验证所提方法的合理性。
不同集成尺寸磨机负荷参数软测量模型的测试样本预测误差(均方根相对误差,RMSRE)及选择的集成子模型编号如表4所示。
表4不同集成尺寸磨机负荷参数软测量模型预测误差及选择的子模型
最佳子模型(Sub-FUZZY)、选择性集成模型(Sen-FUZZY)及集成全部(En-FUZZY)子模型的测试样本预测曲线如图5所示。
由此可知：
(1)MBVR模型的三个子模型分别是基于IMF5，IMF9和IMF10构建，对比表1可知，这三个IMF的频谱特征均与MBVR具有较强的相关性。
(2)PD模型的三个子模型分别是基于IMF4，IMF2和IMF1构建，对比表2可知，这三个IMF的频谱特征均与PD具有较强的相关性。
(3)CVR模型的三个子模型分别是基于IMF9，IMF8和IMF10构建，对比表3可知，这三个IMF的频谱特征与MBVR并未有很强的相关性。
(4)MBVR模糊推理模型具有最小预测误差，这与工业现场相符合。
综上，本发明基于模拟领域专家“听音识别”磨机负荷参数的思路，提出了基于模糊推理的磨机负荷参数选择性集成软测量方法。分别多组分信号分解算法模拟人耳带通滤波能力实现筒体振动信号的多尺度自适应分解，采用潜变量特征提取的方法模拟人脑对频谱特征的提取能力，采用模糊推理集成模型模拟专家的逻辑规则推理能力，从而完成对领域专家的逐层认知、不确定性推理以及选择性信息融合过程的模拟，通过实验验证了所提方法的可行性和有效性。本发明可以提高磨机负荷参数软测量的精确性。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于模糊推理的磨机负荷参数软测量方法，包括：
S100、在预定的磨机负荷下运行磨机，获取表征磨机振动和/或振声的样本特征信号；
S200、将所述样本特征信号分解为具有不同时间尺度的样本子信号，每个样本子信号代表具有物理含义的单一振动模态；
S300、对所述样本子信号进行降维以获得预定数量的相互独立的潜在特征变量；
S400、通过模糊推理建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型；
S500、对于J-2种可能的集成模型中每种集成模型的子模型数量Jsel，通过求解如下优化问题，从所有的模糊推理子模型中选取Jsel个模糊推理子模型作为集成子模型并求取集成子模型对应的权重，以获得J-2个候选软测量模型：
其中，θth为设定阈值，k为样本个数，yl为磨机负荷参数第l个样本的真值，为对应的集成模型对第l个样本的软测量值，为基于第jsel个集成子模型对第l个样本预测值，是第jsel个集成子模型的权重，J为所有的模糊推理子模型的数量；
S600、将所述J-2个候选软测量模型中预测误差最小的作为磨机负荷参数软测量模型；
S700、获取需要进行软测量的磨机的测试数据的潜在特征变量；
S800、根据所述磨机负荷参数软测量模型计算所述测试数据的潜在特征变量对应的负荷参数。
2.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述步骤S200包括：
通过经验模态分解(EMD)、集合经验模态分解(EEMD)、希尔伯特振动分解(HVD)、局部均值分解(LMD)中的一种或几种多组分信号分解方法将所述样本特征信号分解为具有不同时间尺度的样本子信号。
3.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述步骤300包括：
通过采用偏最小二乘回归(PLS)、核偏最小二乘回归(KPLS)、主成分分析(PCA)、核主成分分析(KPCA)、独立主成分分析(ICA)、核独立主成分分析(KICA)、流行学习中的一种或几种降维方法的组合对所述样本子信号进行降维。
4.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述步骤S400包括：
采用语言式Mamdani模糊模型建模方法或T-S模糊模型建模方法根据每个所述潜在特征变量和对应的磨机负荷构建对应的模糊推理子模型。
5.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述步骤S500中从所有的模糊推理子模型中选取Jsel个作为集成子模型并求取集成子模型对应的权重包括：
在所有的模糊推理子模型中遍历所有的选取Jsel个模糊推理子模型作为集成子模型的候选方式，针对每一种组合方式求取对应的权重参数；
将所有的候选方式中，预测误差最小的选取方案和对应的权重参数作为集成子模型及集成子模型对应的权重。
6.根据权利要求5所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，基于如下公式计算所述权重
其中，为模糊推理子模型输出值的标准差。
7.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述表征磨机振动和/或振声的样本特征信号包括筒体振动信号、轴承振动信号、磨机研磨区域振声信号中的至少一种。
8.根据权利要求1所述的基于模糊推理的磨机负荷参数软测量方法，其特征在于，所述磨机为球磨机，所述负荷参数包括料球比、矿浆浓度和充填率中的一项或多项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510886085.2A CN105528636B (zh) | 2015-12-04 | 2015-12-04 | 一种基于模糊推理的磨机负荷参数软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510886085.2A CN105528636B (zh) | 2015-12-04 | 2015-12-04 | 一种基于模糊推理的磨机负荷参数软测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105528636A CN105528636A (zh) | 2016-04-27 |
| CN105528636B true CN105528636B (zh) | 2018-06-15 |
Family
ID=55770850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510886085.2A Expired - Fee Related CN105528636B (zh) | 2015-12-04 | 2015-12-04 | 一种基于模糊推理的磨机负荷参数软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105528636B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956334B (zh) * | 2016-06-02 | 2019-06-18 | 中国人民解放军61599部队计算所 | 基于数值仿真的磨机负荷参数推理模型构建方法 |
| CN106203253B (zh) * | 2016-06-22 | 2019-05-24 | 中国人民解放军61599部队计算所 | 一种基于多源信息的磨机振动与振声特征提取方法 |
| CN106649202B (zh) * | 2016-12-07 | 2019-04-09 | 宁波大学 | 基于多样性变量加权plsr模型的工业过程软测量方法 |
| CN106681145A (zh) * | 2016-12-30 | 2017-05-17 | 苏州中材建设有限公司 | 基于深度学习的球磨机节能优化控制方法 |
| CN109583115B (zh) * | 2018-12-09 | 2023-10-20 | 北京工业大学 | 一种融合集成磨机负荷参数软测量系统 |
| CN111307277B (zh) * | 2020-03-20 | 2021-10-01 | 北京工业大学 | 基于变分模态分解和预测性能的单模态子信号选择方法 |
| CN111767891A (zh) * | 2020-07-09 | 2020-10-13 | 南京工程学院 | 一种滚动轴承故障诊断方法 |
| CN112686144B (zh) * | 2020-12-29 | 2022-03-08 | 中南大学 | 一种基于磨音信号的矿石球磨过程负荷识别方法 |
| CN113190983B (zh) * | 2021-04-21 | 2024-03-01 | 南京工程学院 | 一种基于复合软测量的火电厂磨机负荷预测方法 |
| CN113177358B (zh) * | 2021-04-30 | 2022-06-03 | 燕山大学 | 一种基于模糊细粒度特征提取的水泥质量软测量方法 |
| CN117093827B (zh) * | 2023-10-16 | 2024-01-30 | 欣灵电气股份有限公司 | 基于物联网的智慧消防给水数据处理系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1525153A (zh) * | 2003-09-12 | 2004-09-01 | 东北大学 | 球磨机磨矿系统溢流粒度指标软测量方法 |
| CN101126680A (zh) * | 2007-09-11 | 2008-02-20 | 西安交通大学 | 一种火电厂球磨机负荷软测量方法 |
| CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
| CN103235885A (zh) * | 2013-04-25 | 2013-08-07 | 西安交通大学 | 基于Takagi-Sugeno型模糊规则的火电厂球磨机制粉系统出力预测方法 |
| CN103902776A (zh) * | 2014-04-02 | 2014-07-02 | 沈阳化工大学 | 一种基于eemd的湿式球磨机负荷参数集成建模方法 |
| CN104932425A (zh) * | 2015-06-04 | 2015-09-23 | 中国人民解放军61599部队计算所 | 一种磨机负荷参数软测量方法 |
-
2015
- 2015-12-04 CN CN201510886085.2A patent/CN105528636B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1525153A (zh) * | 2003-09-12 | 2004-09-01 | 东北大学 | 球磨机磨矿系统溢流粒度指标软测量方法 |
| CN101126680A (zh) * | 2007-09-11 | 2008-02-20 | 西安交通大学 | 一种火电厂球磨机负荷软测量方法 |
| CN101776531A (zh) * | 2010-02-10 | 2010-07-14 | 东北大学 | 一种球磨机负荷参数软测量方法 |
| CN103235885A (zh) * | 2013-04-25 | 2013-08-07 | 西安交通大学 | 基于Takagi-Sugeno型模糊规则的火电厂球磨机制粉系统出力预测方法 |
| CN103902776A (zh) * | 2014-04-02 | 2014-07-02 | 沈阳化工大学 | 一种基于eemd的湿式球磨机负荷参数集成建模方法 |
| CN104932425A (zh) * | 2015-06-04 | 2015-09-23 | 中国人民解放军61599部队计算所 | 一种磨机负荷参数软测量方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于ANFIS的火电厂磨机负荷检测的软测量模型;司刚全;《2007"中国仪器仪表与测控技术交流大会论文集（二）》;20070601;1-5 * |
| 基于EMD和选择性集成学习算法的磨机负荷参数软测量;汤健;《自动化学报》;20140930;第40卷(第9期);1853-1866 * |
| 基于振动频谱的磨机负荷在线软测量建模;汤健;《信息与控制》;20120229;第41卷(第1期);123-128 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105528636A (zh) | 2016-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105528636B (zh) | 一种基于模糊推理的磨机负荷参数软测量方法 | |
| CN104932425B (zh) | 一种磨机负荷参数软测量方法 | |
| Pratama et al. | Online tool condition monitoring based on parsimonious ensemble+ | |
| Santos et al. | Identifying maximum imbalance in datasets for fault diagnosis of gearboxes | |
| Wang et al. | Hidden Markov model-based tool wear monitoring in turning | |
| Paul et al. | A multi-sensor fusion model based on artificial neural network to predict tool wear during hard turning | |
| CN105279385B (zh) | 一种基于虚拟样本的磨机负荷参数软测量方法 | |
| CN105787255B (zh) | 一种磨机负荷参数软测量方法 | |
| Pawar et al. | Structural health monitoring using genetic fuzzy systems | |
| CN110162857A (zh) | 一种面向复杂工业过程难测参数的软测量方法 | |
| CN110135058A (zh) | 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法 | |
| Shi et al. | Feature extraction based on the fractional Fourier transform for vibration signals with application to measuring the load of a tumbling mill | |
| CN105956334B (zh) | 基于数值仿真的磨机负荷参数推理模型构建方法 | |
| Huang et al. | Soft measurement of ball mill load based on multi-classifier ensemble modelling and multi-sensor fusion with improved evidence combination | |
| Qin et al. | Fault features extraction and identification based rolling bearing fault diagnosis | |
| Ren et al. | Type-2 fuzzy modeling for acoustic emission signal in precision manufacturing | |
| Singh et al. | Neuro fuzzy logic model for component based software engineering | |
| Rao et al. | An Efficient Data Mining Technique for Structural Strength Monitoring System. | |
| Elbestawi et al. | Tool condition monitoring in machining | |
| Lajmert et al. | Application of principal component analysis and decision trees in diagnostics of cylindrical plunge grinding process | |
| Rossetti et al. | Machine learning techniques for the estimation of particle size distribution in industrial plants | |
| Korać et al. | A mathematical model for evaluation of intelligence products value | |
| CN108491657A (zh) | 一种计算失谐叶盘振动失效可靠性的智能双重响应面法 | |
| Xie et al. | A rough set-based effective state identification method of multisensor tool condition monitoring system | |
| Dubček et al. | Binary classification of spoken words with passive elastic metastructures |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180615 Termination date: 20181204 |